Machine Learning Engineer (m/w/d)

Du überführst Modelle und datenbasierte Verfahren in verlässliche Dienste. Dabei geht es nicht nur um Modellgüte, sondern auch um reproduzierbare Verarbeitung, stabile Inferenz und messbare Veränderungen nach einem Release. Gemeinsam mit Software- und Datenteams bewertest du, welche Modelle und Betriebsformen zur Aufgabe passen.

Ein Modell kann im Experiment gut abschneiden und in der Anwendung trotzdem versagen. Du prüfst Datenverteilung, Vorverarbeitung und die Trennung von Trainings- und Testdaten. Modelle, Konfiguration und Datenstände werden nachvollziehbar versioniert. Beim Release vergleichst du Qualität, Ressourcenbedarf und Antwortzeit. Monitoring soll veränderte Eingangsdaten oder sinkende Ergebnisqualität erkennen; ein Rückfall auf eine vorherige Version wird ausdrücklich erprobt.

• Trainings-, Validierungs- und Inferenzpipelines reproduzierbar implementieren und Datenstände sowie Modellversionen nachvollziehbar machen.
• Modelle als Services bereitstellen; Ressourcenbedarf, Durchsatz und Antwortzeiten durch Lasttests bewerten.
• Geeignete Qualitätsmetriken und Vergleichsbaselines definieren, Datenleckagen erkennen und Ergebnisse verständlich dokumentieren.
• Monitoring für Modellqualität und Datenveränderungen konzipieren sowie kontrollierte Updates und Rollbacks ermöglichen.
• Daten- und Modellversionen mit Testmetriken, Konfiguration und Release-Artefakten verknüpfen.
• Inferenz unter wechselnder Last prüfen und Modell-Rollbacks einschließlich Eingabeformaten testen.

Entscheidend ist nachvollziehbare, für die Rolle relevante Erfahrung. Sie kann aus einer passenden Ausbildung, einem Studium, beruflicher Praxis oder einem fundierten Quereinstieg stammen. Die konkrete Verantwortung stimmen wir mit deinem Kenntnisstand ab.

• Praktische Python-Erfahrung und sichere Grundlagen in Statistik, Modellbewertung und Datenaufbereitung.
• Erfahrung mit wenigstens einem ML-Framework und der Bereitstellung von Modellen als Anwendung oder Dienst.
• Verständnis für automatisierte Tests, Versionsverwaltung und saubere Trennung von Training und Evaluation.

Diese Kenntnisse sind hilfreich, aber nicht alle gleichzeitig erforderlich. Beschreibe in deiner Bewerbung, wo du bereits praktisch gearbeitet hast und in welche Themen du dich vertiefen möchtest.

• Erfahrung mit MLOps, Experiment Tracking oder Feature-Pipelines.
• Kenntnisse in GPU-Inferenz, Quantisierung oder reproduzierbaren Container-Umgebungen.

Du lieferst reproduzierbare Modellservices mit dokumentierten Grenzen und nachvollziehbarer Qualitätsentwicklung. Ein besserer Offline-Score wird erst dann zum Release, wenn Betriebsfähigkeit und fachlicher Nutzen ebenfalls geprüft sind.

Für diese Rolle kommen Köln und Remote infrage. Die konkrete Zusammenarbeit, Projektanforderungen und gegebenenfalls notwendige Kundentermine stimmen wir vor Beginn miteinander ab.

Für diese Rolle ist eine Festanstellung in Vollzeit oder Teilzeit vorgesehen. Aufgaben, Stundenumfang, Starttermin und Vergütung stimmen wir passend zur Rolle und deinem Kenntnisstand ab.

Zeige uns in deiner Bewerbung, welche Erfahrungen oder Interessen du für diese Rolle mitbringst. Ein Lebenslauf sowie relevante Projektbeispiele, Zeugnisse oder Arbeitsproben helfen uns bei der fachlichen Einordnung. Vertrauliche Kundendaten, Zugangsdaten und geschützten Quellcode bitte nicht mitsenden.

Nenne uns dein gewünschtes Arbeitsmodell, deinen möglichen Beginn und ob du Vollzeit oder Teilzeit arbeiten möchtest.

Bei Fragen zur Rolle erreichst du unser Recruiting unter hr@otoko.com. Die Aufnahme in den Bewerberpool ist freiwillig und erfolgt nur mit gesonderter Zustimmung; sie ist keine Voraussetzung für die Prüfung deiner Bewerbung.